Agus Buono' dan Irmansyah' Abstrak

Transkripsi

1 PENGENALAN KADAR TOTAL PADAT TERLARUT PADA BUAH BELIMBING MANIS BERDASAR CITRA RED-GREEN-BLUE DENGAN ANALISIS KOMPONEN UTAMA SEBAGAI EKSTRAKSI CIRI DAN JARAK EUCLIDEAN SEBAGAI PENGENAL POLA Agus Buono' dan Irmansyah' 'Departemen Ilmu Komputer, FMIPA, IPB, Kampus IPB Darrnaga, Jawa Barat, Indonesia 2Departemen Fisika, FMIPA, IPB, Kampus IPB Darmaga, Jawa Barat, Indonesia Abstrak Pada paper ini, dilakukan pernilihanfeature dari citra RGB (Red-Green-Blue) untuk memprediksi tingkat kemanisan buah belimbing yang dicirikan dengan kandungan TPT (Total Padat Terlarut). Dari feature terpilih, dilakukan transformasi komponen utama satu dimensi (ld-pca) dan dua dimensi (2D-PCA) untuk mereduksi dimensi citra. Kemudian dilanjutkan dengan pses pengenalan tingkat kemanisan yang dalam paper ini dikelompokkan menjadi tiga, yaitu manis, sedang, dan asam. Nilai batas tiap kelompok didasarkan pada bentuk histogram nilai TPT. Dari 300 citra buah belimbing dipeleh hasil bahwa secant akurasi, teknik ld-pca maupun 2D-PCA memberikan hasil yang relatif sama. Namun dari segi kecepatan, 2D-PCA jauh lcbih cepat dibanding 1D-PCA, khususnya pada bagian pembentukan sumbu. Model hubungan tingkat kemanisan sebagai fungsi dari nilai RGB membcrikan tingkat deterrninasi tcrbesamya 69.9%. Percobaan menunjukkan bahwa 1D-PCA maupun 2D-PCA mampu menerangkan sekitar 95% model hubungan tersebut yang dikembangkan pada ruang asal. Teknik PCA digabungkan dengan jarak Euclidean untuk pengenalan mampu mcngenali buah kelompok manis dengan akurasi 100%. Sedangkan untuk kelompok asam dan sedang teknik yang dilakukan gagal melakukan pengenalan dcngan baik. Kata kunci : Analisis komponen utama 1 dimensi dan 2 dimensi, belimbing manis, total padat terlarut (IPT), jarak Euclidean. 1. Pendahuluan (a) (b) Belimbing manis (Averrhoa carambola L) termasuk 1 dari 60 komoditas tanaman buah-buahan binaan Direktorat Jenderal Hortikultura Departemen Pertanian R1 [1]. Dalam ilmu taksonomi, belimbing manis termasuk dalam divisi Spermatophyta, subdivisi Angiospermae, kelas Dicotyledonae, bangsa Geraniales, dan suku Oxalidaceae. Buah yang di pasaran dikenal dengan nama starfruit dan tcrdapat di banyak daerah di Indonesia ini mempunyai khasiat sebagai obat batuk, dan obat tekanan darah tinggi [2]. Panjang buah berkisar dari 4 hingga 13 em dengan wama hijau untuk buah muda dan kuning kehijauan untuk yang sudah tua. Guna menjamin mutu dan meningkatkan daya saing pduk, dilakukan penggolongan mutu terhadap belimbing manis. Sesuai dengan [3], dikenal 3 kelas mutu untuk belimbing manis, yakni: (1) kelas super, (2) kelas A, dan (3) kelas B. Hal ini penting agar pduk yang dihasilkan dapat diterima konsumen sesuai segmennya. Oleh karena itu, salah Gambar 1. Buah Belimbing Umur: (a) 40 Hari dengan (b) 70 Hari satu penanganan pascapanen adalah melakukan sortasi buah sesuai mutu yang diinginkan. Sortasi secara konvensional, memakan waktu lama serta rentan menyebabkan kecacatan kepada buah. Sebagai contoh misalnya sortasi sesuai tingkat manisnya. Pada kasus ini untuk mengetahui tingkat _ kemanisan buah dilakukan dengan melakukan pemeriksaan laboratorium kandungan Total Padat Terlarutnya (TPT). Analisis laboratorium ini akan menyebabkan buah yang diperiksa akan rusak. Oleh karena itu diperlukan teknik yang mampu memprediksi kemanisan buah belimbing tanpa merusaknya. Beberapa teknik pemsesan citra telah jurnal Ilmu Komputer dan lnformasi, Volume 2, Nomor 1, ISSN 1979-'O732' ~-----_,35

2 Pengenalan Kadar Total Padat Terlarut: pada Buah Belimbing Manis Berdasar Citra Red-Green-Blue dengan Analisis Komponen Utama Sebagai Ekstraksi Ciri dan [arak Euclidean sebagai Pengenal Pola diterapkan untuk melakukan pemutuan terhadap buah. Zaki 2009 [4] melakukan pemutuan buah belimbing manis dengan pbabilistic neural networks (PNN) dengan hasil klasifikasi sekitar 90.86%. Dengan JST multi-layer perceptn, Abdullah et al. (200S) [S] telah mengembangkan sistem sortasi buah belimbing dengan akurasi 90,S%. Teknik yang digunakan adalah dengan mengekstrak citra RGB (Red-Green-Blue) buah belimbing menjadi beberapa nilai ciri, seperti jumlah R, jumlah G, jumlah B, selisih R dengan G; RIG; ataupun nilai HSI-nya. Untuk satu buah, nilai ciri tersebut dipeleh dengan merata-ratakan atau menjumlahkan semua piksel yang ada, dan berdasar nilai inilah dilakukan pengenalan. Jadi dari teknik yang ada, pses pengenalan tidak berdasarkan semua piksel tetapi berdasarkan besaran yang merupakan rata-rata atau jurnlah dari semua piksel. Hal ini akan menyebabkan hilangnya distribusi spasial nilai ciri sehingga pada akhirnya tingkat akurasi sistem rendah. Oleh karena itu, pada penelitian ini dilakukan pses pengenalan mutu buah berdasar tingkat kemanisan dengan menggunakan inforrnasi dari nilai setiap piksel. Untuk itu dilakukan pses reduksi dimensi yang tetap mempertahankan informasi spasial maupun intensitasnya dari buah belimbing. Penelitian akan melakukan pembandingan dua teknik reduksi dimensi, yaitu analisis komponen utama satu dimensi (ld-pca) dengan dua dimensi (2D-PCA). Selanjutnya, paper ini disajikan dengan susunan sebagai berikut: Bagian 2 mengenai teknik reduksi dimensi yang terdiri dari ld-pca, 2D-PCA, dan pses pengenalan dengan jarak Euclidean. Deskripsi mengenai data buah belimbing yang digun~an dalam percobaan ini disajikan pada bagian 3. Bagian 4 akan menyajikan rancangan percobaan, data yang digunakan serta hasilnya. Akhirnya, kesimpulan serta saran untuk penelitian selanjutnya disajikan pada Bagian S. 2. Reduksi Dimensi dengan Ruang Eigen Prinsip dasar dari reduksi dirnensi dengan ruang eigen adalah mentransforrnasi titik-titik pada ruang asal ke ruang baru yang dibentuk oleh sumbu-sumbu yang merupakan vektor eigen (ciri) dari matriks koragam sumbu-sumbu pembangkit ruang asal. Teknik ini dikenal dengan analisis komponen utama. Analisis komponen utama merupakan salah satu analisis peubah ganda yang bertujuan untuk mereduksi dimensi data tanpa harus kehilangan informasi yang berarti. Peubah hasil transformasi ini merupakan kombinasi linear dari peubah asli, tidak berkorelasi antar sesama, serta tertata berdasar inforrnasi yang dikandungnya. Hal yang mendasari analisis komponen utama ini adalah bahwa dari suatu obyek, diamati p peubah. Kemungkinan yang menjadi masalah adalah ukuran p mungkin sangat besar, seperti pada pses pengenalan wajah. Untuk citra wajah yang berukuran SOx40 piksel akan menghasilkan vektor amatan dengan dirnensi SOx40=2000. Jika algoritrna pengenalan harus mempses vektor yang berdimensi 2000 ini, kinerja akan turun. Oleh karena itu, perlu dilakukan transforrnasi ruang vektor dari dimensi 2000 (dirnensi p) menjadi ruang lain yang berdimensi lebih rendah, namun inforrnasi yang dikandung dari ruang baru masih menyimpan inforrnasi dari ruang asli dengan baik Analisis Komponen Utama Satu Dimensi Andaikan peubah asli adalah vektor x yang berdimensi p : (1) maka peubah hasil transforrnasi adalah y yang berdimensi q : dengan q«p. Dalam hal ini Yidirumuskan sebagai : YJ= ajjxj + aj2x2+ + ajpxp= aj x Y2= a2jxj+ a22x2+ + a2pxp= a2tx Kalau matriks koragam (covariance matrix) dari vektor x adalah E, maka ragam (variance) Yi dirumuskan sebagai : T (2) ragam(yi)=a;, = ait};ai (4) Dari penjabaran di atas terlihat bahwa perrnasalahan transforrnasi adalah bagaimana memilih koefisien dari kombinasi linear tersebut sehingga : inforrnasi Yl> informasi Y2> dengan kata lain : > inforrnasi yq (5) ragamty.) > ragarmy-) > > ragam(yq) (6) Dari sudut pandang geometrik, unsur-unsur dalam vektor a, merupakan komponen-komponen '~.'?Cpenyusun sumbu koordinat. Oleh karenanya dapat dipilih vektor a, yang mempunyai panjang satu dan saling ortogonal (sumbu yang ortonormal). Dengan demikian perrnasalahan mi menjadi masalah optimisasi dengan fungsi tujuan memaksimumkan ragam (Yi) dengan kendala ajtaj=1 dan cov(aj,aj)=o untuk i;f;j. 36 [urnal Ilmu Komputer dan Informasi, Volume 2, Nomor 1, ISSN

3 Agus Buono dan lrmansyah Penentuan at Masalah optimisasi : Maksimumkan : ra~am(yl)= alt17al Kendala : at at= 1 Melalui pengganda Lagrange, fungsi yang dimaksimumkan adalah : f(at)= alt17al-a( altai-i) (7) Optimasi dilakukan dengan cara menurunkan fungsi f terhadap peubah-peubah yang dicari, dan dipeleh: ~ = 2rQ, -2M, = 0 <:::::>(Lal - Aat) = 0 (8) aq, Ini berarti al adalah vektor eigen dari matriks 17 dengan nilai eigen A. Berdasar hasil di atas, maka : (Lal - Aal) = 0 <:::::>Lal = AGt <:::::> atlal = at Aal = atala = U --=.l (9) Ini berarti ragam (Yl) adalah 'A yang merupakan nilai eigen matriks 17. Karena diiagin kan peubah hasil transformasi tertata berdasar 'pentingnya', vektor al adalah vektor eigen yang bersesuaian dengan nilai eigen terbesar pertama. Penentuan a2 Masalah optimisasi: maksimumkan : ra?am(y2)= a2~l a2 kendala : a2 a2=1 dan a, a2=0 Melalui pengganda lagrange, fungsi yang dimaksimurnkan adalah : f(al)= a2t17az-a2( a/ a2-1)-o( al Ta2) (10) Setelah didiferensialkan, dipeleh : 8f - = 2Laz - 2A2aZ - oal = 0 (11) 8az Dengan mengalikan a2t pada ruas kiri dan kanan dipeleh: 2aJ Laz - 2?cz aj az - oaj al = 0 <:::::>aj Laz = A2 (12) Oleh karena itu 17a2=A,za2yang berarti bahwa vektor a2 merupakan vektor eigen dari 17yang bersesuaian dengan nilai eigen terbesar kedua, A2. Penentuan a, Analog cara di atas, vektor a, merupakan vektor eigen dari matriks ;; yang bersesuaian dengan nilai eigen terbesar ke i, Ai. Atau dengan kata lain berlaku[6]: (13) - dengan matriks A=diag{Ai} dan R=[al a2... ap]t. Teknik reduksi di atas dikenal dengan analisis komponen utama atau principle component analysis (PCA). Gambar 2 memberikan ilustrasi pses transformasi dengan PCA. Dalam hal ini setiap citra mxn dibaca dari piksel demi piksel, sehingga menjadi vektor dengan p=mxn komponen. Dengan cara pembacaan citra seperti ini,maka teknik reduksi tersebut dikenal dengan ID-PCA. 2.2 Analisis Komponen Utama Dua Dimensi Pada ID-PCA di atas, sebuah citra berdimensi mxn dibaca sebagai vektor dengan p=mn elemen, sehingga dari dari N citra akan dipeleh matriks data, X, berdimensi Nxp. Berdasar matriks X ini diduga matriks koragam yang berdimensi pxp. Dengan mengambil r vektor ciri yang bersesuaian dengan r akar ciri terbesar sebagai sumbu tranformasi, dipeleh matriks tranformasi R yang berdimensi pxr. Dari matrik R, maka sebuah vektor citra Xlxpakan ditransformasi menjadi Ylxr=XlxpRpxr' Pada 2D-PCA, sebuah citra berdimensi mxn akan dibaca sebagai matriks A berdimensi mxn dan tidak diubah menjadi bentuk vektor. Berikutnya, matriks A ini ditransformasi menggunakan matriks Qnxrmenjadi Y dengan bentuk: Y = A Q dengan r«<n (14) m.xr mxn nxr Terlihat bahwa hasil transformasi adalah juga berupa matriks dengan dimensi mxq, dengan r«<n (r jauh lebih kecil dari n). Seperti pada sebelumnya, permasalahan yang harus dijawab adalah bagaimana menemukan matriks transformasi Q. Seperti pada ld-pca, bentuk transformasi, Q, yang dipilih adalah yang memaksimalkan persebaran Y. Persebaran Y dapat dikarakterisasi oleh teras matriks koragamnya, S, yang dirumuskan sebagai, [7] : S = E{(Y -E(y)XY -E(y)Y} = E{(AQ-E(AQ)XAQ-E(AQ)Y} = E{(A - E(A))QX(A - E(A))QY} Oleh karena itu teras matriks S adalah : (15) tr(s) = XT {E(A - E(A) Y (A - E(A))}x (16) Nilai: G = ~(A - E(A)Y (A - E(A»)} (17) diduga dari N data citra training dengan formula: G=~ f{aj -AY{Aj -1) (18) N j=l Oleh karena itu, matriks transformasi, Q, yang Jurnaillmu Komputer dan Informasi, Volume 2, Nomor 1, ISSN

4 Pengenalan Kadar Total Padat Terlarut pada Buah Belimbing Manis Berdasar Citra Red-Green-Blue dengan Analisis Komponen Utama Sebagai Ekstraksi Ciri dan [arak Euclidean sebagai Pengenal Pola dipilih adalah : Q=[ql, q2, q3,..., qr]. (19) dengan qi merupakan vektor ciri yang bersesuaian dengan akar ciri terbesar ke i dari matriks G 2.3 Pengenalan Obyek dengan Jarak Euclid Setelah matriks transformasi dipeleh, maka setiap obyek pada data training ditransformasi, dan dilanjutkan dengan penghitungan pusat setiap kelas obyek, yaitu : 1D-PCA: P(k)lxr - = -. 1 '" L,.Y(i) nk Vi,iEOJk 2D-PCA: P(k)mxr - = -1 '" L,.Y(i) n k Vi,iEOJk (20) (21) Y(i) adalah hasil transformasi citra ke i ke ruang baru, n, adalah banyaknya contoh yang termasuk kelas k, k=1, 2, 3, "'J K, K adalah banyaknya kelas, Setelah dipeleh pusat setiap kelas, obyek baru, 0, yang akan dikenali ditransformasi ke dalam ruang eigen dengan matriks transformasi R (untuk 1D- PCA) atau Q (2D-PCA) menjadi U : 1D-PCA: U1xr=OlxpRpxr 2D-PCA: Urnxr=OmxnQnxr Berikutnya dilakukan penghitungan jarak Euclid dari U ke pusat setiap kelas. Keputusan yang diambil adalah kelas W dengan : W = argmin d(u,p(k)) (22) ke{ 1,2,3,...,K} Dengan rumus jarak sebagai berikut : pemanenan (usia 40, 50, 60, dan 70 hari), masingmasing 75 buah. Sesuai dengan permintaan konsumen, pengelompokan yang akan dilakukan adalah didasarkan pada tingkat kemanisan buah belimbing, yang dapat dikarakterisasi oleh Total Padatan Terlarut (TPT) yang diukur melalui pengamatan laboratorium. Dalam hal ini makin tinggi nilai TPT maka rasa buah makin manis. Gambar 3 menyajikan perbandingan boxplot nilai TPT antara buah manis, sedang clan asam dari beberapa buah yang diuji cita rasa kemanisannya oleh konsumen. <,< <, m Xl=(Xll n Citra-l Xl2... Xlp) X2=(X2l X22 '" X2p) Hitung 2::: 1 tv tv L =- L:L:(xl-f,)(x,-fJ N 1-1,_, Vektor clan akar ciri 2::: Ambil r terbesar : Rpxr=[al il;2.., ar] Citra-2 Citra-N AI=(Citra-l)mn A:;r=(Citra-2)mn Hitung G: G = J. ±(A, -AnA, - A) N,-I Vektor clan akar ciri G: Ambil r terbesar: Qmr=[ qj, ~ '" C!r] J 1D-PCA: d(u,p(k))=iiu -p(k)11 (23) 2D-PCA: d(u,p(k))= :tllu. : p(k) jll j~l (24) (25) P(k) = [p(k)1 P(k)2 p(k)r] (26) Transformasi setiap citra: Y(i)lx?XIClxp)Rpxr i=i, 2, 3,.. " N Bentuk pus at setiap kelas: - 1 "" L"Y(i) P(k)l1(1' = -- nk, \f2.lctoli k=l, 2, "" K (#kelas) Transformasi setiap citra: Y (i)mxr=ai,mxn Omr i=l,2,3,.. "N Bentukpusat - 1"" setiap kelas: P(k)""", = - L"Y(i) nk, \l'2jcco1:1. k=l, 2, "" K (#kelas) Gambar 2 memberikan ilustrasi dari pses pembentukan pusat sctiap kelas dengan ekstraksi-eiri 1D-PCA dan dengan 2D-PCA. Gambar 2. Perbandingan Pembentukan Pusat Kelas dengan Ekstraksi antara ID-PCA dengan 2D-PCA 3. Data dan Pemilihan Feature Data yang digunakan pada penelitian ini dipeleh dari [8], yang terdiri dari 4 tahap 38 }urnal Ilmu Komputer dan Informasi, Volume 2, Nomor i,issn

5 Agus Buono dan Irmansyah ".'::C " , ~ 13 1:: ~ 12 co ~ 11 ~ 10 n, 1'i ~ 8 Gambar 3. Boxplot Tiga Cita Rasa Manis Belimbing Gambar tersebut menyebutkan tingkat kemanisan buah belimbing clapatdikarakterisasi oleh nilai TPT. Untuk mengetahui batas nilai TPT clalam melakukan kategori, berikut disajikan histogram nilai TPT. ~c Q) :J 1-20 '7 ~ LL ~o 0-" na ! I ~ ~ H LTPT Gambar 4. Histogram Nilai TPT Buah Belimbing Berdasar gambar tersebut, pengkategorian kemanisan buah sesuai nilai TPT menggunakan aturan berikut : Manis : TPT>7.6 Sedang : 5.0<TPT<7.6 Asam : TPT<5.0 :::~ o ~ ~ 110 M :: ~A o o Citra Red Citra Green Citra Blue Gambar 5. Perbandingan Nilai Reflektan antar Tingkat Kemanisan (M=Manis, S=Sedang, A=Asam) Pada penelitian ini, pengenalan tingkat kemanisan buah belimbing didasarkan.spada citra yang dipeleh dari pemotretan nuah. Oleh karena itu perlu ditentukan warna atau feature apa yang dipergunakan. Gambar 5 menyajikan pola hubungan antara nilai reflektan Red, Green, clanblue terhadap tingkat kemanisan. Terlihat bahwa wama merah lebih mampu memberikan pembedaan antar buah sesuai kemanisan dibanding warna lain (G maupun 50 B). Tabel 1 menyajikan nilai koefisien determinasi (R2) dari persamaan regresi antara TPT sebagai fungsi dari R, G atau B. Tabell. Model Regresi dan Nilai R2 Hubungan TPT dengan R,G,d an B Model: TPT=f(R,G,lB. R R G B 69.9% R 44.2% G 19.2% B 19.7% (RlG) 61.6% Berdasarkan Tabel 1, formula yang akan dipilih adalah model pertama, sehingga nilai RGB setiap piksel dikonversi kenilai tertentu dengan rumus: Y= R G B Seperti diilustrasikan pada Gambar 6. RGB=( ) ~ n Y= m =6.266 \ [ Gambar 6. Ilustrasi Transformasi RGB setiap Piksel 4. Rancangan Percobaan dan Hasil Percobaan pada penelitian mi dilakukan mengikuti alur seperti disajikan pacla Gambar 7. Setelah melakukan analisis PCA satu dimensi, dengan memilih 5 komponen utama, ruang yang dibentuk mampu menagkap 89.7% keragaman data asli. Dengan PCA dua dimensi, hal ini cukup dengan 3 komponen saja. Hasil klasifikasi baik dengan ld-pca maupun 2D-PCA disajikan pada Gambar 8. Dari gambar tersebut terlihat bahwa teknik yang dikembangkan mampu melakukan klasifikasi dengan akurasi rata-rata sekitar 66%. Kalau dikaitkan dengan keeratan citra RGB dengan tingkat kemanisan seperti pada model regresi dengan koefisien determinasi 69.9% (Tabel I), teknik yang dibangun secara relatif memberikan hasil yang sepadan (66/69.9=94.4%). Ada dua hal yang bisa disimpulkan clarigambar [urnal Ilmu Komputer dan lnformasi, Volume 2, Nomor 1, ISSN , 39

6 Pengenalan Kadar Total Padat Terlarut pada Buah Belimbinq Manis Berdasar Citra Red-Green-Blue dengan Analisis Komponen Utama Sebagai Ekstrakst Ciri dan jarak Euclidean sebagai Pengenal Pola 8, yang pertama adalah bahwa secara relatif hasil yang ditunjukkan antara teknik ID-PCA dengan 2D- PCA adalah sarna, yaitu dengan akurasi sekitar 60% dan 66%. Namun demikian dari segi kecepatan, teknik 2D-PCA temyata jauh lebih cepat dibanding ld-pca, khususnya dalam hal pembuatan sumbu transformasi. kelas asam, teknik ini tidak bisa dipergunakan. Dengan kata lain berdasarkan tingkat kemanisan saat petik dari umur 40 hingga 70 hari, buah belimbing dikelompokkan menjadi 2 kelas, yaitu manis dan tidak manis. Kalau hal ini yang dilakukan, teknik ini mampu melakukan klasifikasi dengan baik (100%). Pada dasarnya, belimbing dengan pemetikan saat umur 70 hari, maka kandungan TPT lebih banyak, sehingga lebih manis seperti ditunjukkan pada Gambar ~ 7 -g ~ + ~ 5 I- 40 harl 50 hari 60 harl 70 han Kematangan Saat Petik Gambar 9. Perbandingan Boxplot TPT antar Umur Pemetikan Gambar tersebut juga mendukung bahwa sesuai dengan tingkat kemanisan. Buah belimbing dapat dikelompokkan menjadi dua kelas, yaitu manis dan tidak manis. Setelah dilakukan kajian lanjut terhadap hasil klasifikasi pada buah belimbing dengan kategori sedang, dipeleh hasil seperti disajikan pada Gambar (a). ld-pca manis sedang asam manis sedang asam Gambar 7. Alur Percobaan (b).2d-pca manis sedang asam manis sedang asam Gambar 8. Matriks Confussion Hasil Klasifikasi ~:!:,~~, Hal menarik dari Gambar 8 adalah bahwa untuk belimbing yang memang betul-betul manis, akurasi yang dihasilkan adalah 100% (baik dengan ld-pca maupun 2D-PCA). Hal ini berarti bahwa untuk menjaga kualitas kelas belimbing yang manis, teknik ini bisa diandalkan. Untuk kelas sedang dan "t: OJ I co I Sedang ke as am Sedang ke sedang Sedang ke manls Gambar 10. Perbandingan Boxplot TPT pada Belimbing Kelompok Sedang Dari gambar tersebut terlihat salah klasifikasi dari belimbing sedang ke manis terjadi hampir semuanya pada buah belimbing dengan TPT yang sebenamya tinggi. Namun tidaklah demikian pada kasus salah klasifikasi dari sedang ke asam. 40 [urnal Ilmu Komputer dan Informasi, Volume 2, Nomor 1, ISSN

7 Agus Buono dan Irmansyah Belimbing sedang yang dikelompokkan ke asam belum tentu TPT-nya rendah. Fenomena ini semakin memperjelas bahwa sesuai tingkat kemanisan, buah belimbing dikelompokkan menjadi dua kelas. Dari fakta pertarna, yaitu bahwa salah klasifikasi kelas sedang ke kelas manis adalah untuk buah belimbing yang nilai TPT-nya relatif tinggi pada kelas sedang, menunjukkan bahwa titik potong nilai TPT antara kelas manis dan sedang sebesar 7.6 (Gambar 4) dinilai kurang tepat. Nilai threshold ini masih bisa diperkecil mendekati 7. Dari fakta ini juga bisa disebutkan bahwa teknik pengenalan yang berdasar jarak Euclidean kurang bisa diandalkan untuk kelas sedang maupun manis. 5. Kesimpulan dan Saran Dari pembahasan yang telah dilakukan dapat diambil beberapa kesimpulan, yaitu : 1. Untuk mengenali kandungan TPT pada buah belimbing, nilai feature yang sesuai adalah : Y= S S Teknik ID-PCA dan 2D-PCA dapat dipergunakan untuk reduksi dimensi, dan mampu menerangkan hingga sekitar 95% dari model yang diformulasikan pada ruang asal. 3. Pengelompokkan buah belimbing berdasar kandungan TPT dapat dikelompokkan menjadi dua kelas, yaitu manis dan tidak manis dengan nilai threshold sekitar 7.0 hingga Teknis pengenalan dengan jarak Euclidean kurang mampu membedakan antar kelas khususnya untuk obyek yang berada pada daerah batas. Untuk penelitian selanjutnya ada dua hal yang bisa disarankan, yaitu melakukan kajian lanjut terhadap variabel penentu kualitas buah belimbing dikaitkan dengan minat konsumen, melakukan teknik pengenalan yang lebih handal dan tidak hanya didasarkan pada jarak Euclidean. epmentri binaan.pdf [di akses pada Februari, 200S], [2] Warintek, Averrhoa Carambola L, atan/tanaman_obat/depkes/l-03s.pdf [diakses pada Februari 200S], [3] Departemen Pertanian, Rancangan Standar Nasional Indonesia (RSNI) Buah Belimbing Manis (Averrhoa Carambola L.), g-l.htm [diakses pada Februari 200S], [4] Zaki F, "Pengembangan pbabilistic neural networks untuk penentuan kematangan belimbing manis", Skripsi Jurusan Ilmu Komputer, tidak dipublikasikan, [5] Abdullah M.Z., M. Saleh J., F. Syahir, dan M. Azemi, "Discrimination and classification of fresh-cut starfruits (Averrhoa carambola L) using automated machine vision system", Journal of Food Engineering, [6] W.R. Dillon dan M. Goldstein, Multivariate Analysis : Methods and Applications; New York: John Wiley & Sons, Inc., [7] J. Yang, D. Zhang, A. F. Frangi dan Jing-yu Y, "Two-dimensional PCA : a new appach to appearance-based face representation and recognition", IEEE Transactions on Pattern' Analysis amd Machine Intelligence, 26(1), 2004, [8] Innansyah, "Evaluasi mutu belimbing dengan pengolahan citra dan logika fuzzy", Disertasi Departemen Keteknikan Pertanian, Fakultas Teknologi Pertanian IPB, Bogor, Ucapan Terima Kasih Penulis mengucapkan terima kasih kepada Dr. Innansyah, Dosen Departemen Fisika FMIPA IPB, atas penggunaan data buah belimbing pada penelitian ini. REFERENSI [I] Departemen Pertanian, Kepmentan No 5111Kpts/Pd.31019/2006 tentang Jenis Komoditi Tanaman Binaan Ditjen Perkebunan, Ditjen Tanaman Pangan dan Ditjen Hortikultura, [urnal Ilmu Komputerdan lnformasi, Volume 2, Nomor 1, ISSN